Educação financeira · artigo prático
O que é fine-tuning de modelos de IA
Explicação conceitual de fine-tuning de modelos de IA: o que muda no modelo, quando vale o custo em relação a prompt engineering e RAG.
Fine-tuning é o processo de continuar o treinamento de um modelo já pronto usando um conjunto de dados específico, ajustando seus parâmetros para que ele se comporte de forma diferente do modelo original — em estilo, formato de resposta ou domínio de conhecimento.
É frequentemente confundido com a única forma de 'ensinar' algo novo a um modelo, mas está longe de ser a primeira opção a considerar na prática.
É uma entre várias técnicas de adaptação, não a primeira opção a considerar — RAG e prompt engineering costumam resolver o mesmo problema a um custo menor.
O que muda no modelo durante o fine-tuning
Em fine-tuning completo, todos os parâmetros do modelo são reajustados a partir dos novos dados — uma abordagem cara em computação e dados necessários. Técnicas como LoRA (Low-Rank Adaptation) reduzem esse custo treinando apenas um pequeno conjunto de parâmetros adicionais, mantendo o modelo base congelado, o que tornou fine-tuning viável para times sem infraestrutura de treinamento em larga escala.
Fine-tuning vs. prompt engineering e RAG: quando vale o custo
Fine-tuning exige dados rotulados e infraestrutura de treinamento. A prática comum é esgotar alternativas mais simples primeiro. Fine-tuning vale quando o objetivo é mudar comportamento/estilo de forma persistente e em larga escala, uma decisão de engenharia que se conecta às fases descritas em treinamento, inferência e otimização de modelos.
- Prompt engineering: ajuste rápido, sem custo de treinamento
- RAG: injeta conhecimento externo atualizado
- Fine-tuning: muda comportamento de forma persistente, maior custo
Ferramenta interativa